基于機(jī)器學(xué)習(xí)技術(shù)分析課堂提問的認(rèn)知水平

1、基于機(jī)器學(xué)習(xí)技術(shù)分析課堂提問的認(rèn)知水平摘要提問被廣泛認(rèn)為是一種有效的教學(xué)策略，在教師與學(xué)生的相互交流之間存在著各種用途。在教育實(shí)踐中，教師對(duì)課堂提問的分析具有特殊的效益。本文通過分析將老師的問題按照布魯姆的分類自動(dòng)分類到不同的認(rèn)知水平的有效性，從而探討了機(jī)器學(xué)習(xí)技術(shù)有效性。更具體地說，本文利用三種最有效的機(jī)器學(xué)習(xí)的分類技術(shù)：K-最近鄰，貝葉斯和支持向量機(jī)的三種方法。這樣，一個(gè)數(shù)據(jù)集的問題經(jīng)過收集和分類，并且按照布魯斯分類。經(jīng)過預(yù)處理步驟應(yīng)用到一個(gè)適合于機(jī)器學(xué)習(xí)技術(shù)問題。使用這個(gè)數(shù)據(jù)集，三種機(jī)器學(xué)習(xí)技術(shù)的性能就被評(píng)估。結(jié)果表明，K最近鄰和貝葉斯性能相媲美，向量機(jī)在F1和精度性能優(yōu)越。此外，結(jié)果還

2、表明，機(jī)器學(xué)習(xí)技術(shù)對(duì)于代表問題的特征的數(shù)量顯示出不同程度的敏感性問題。1.引言在教育領(lǐng)域，提問被廣泛認(rèn)為是一種有效的教學(xué)策略。它是師生互動(dòng)的主導(dǎo)模式，占總互動(dòng)的近80%。自蘇格拉底時(shí)代，提問被用來鼓勵(lì)學(xué)生使用更高層次的思維過程。目前，教師每天問多達(dá)300到400個(gè)問題，所以提問仍然是最經(jīng)常使用的教師教學(xué)干預(yù)手段。鑒于教師課堂提問對(duì)教學(xué)的重要性，對(duì)這些問題的分析已被廣泛研究。一些研究人員發(fā)現(xiàn)開發(fā)出一套可以分類問題的分類集會(huì)對(duì)教學(xué)很有幫助?，F(xiàn)在已經(jīng)有了許多分類系統(tǒng)，其中大部分是完全由認(rèn)知過程所需的回答問題的類別的基礎(chǔ)上進(jìn)行分類的。這些系統(tǒng)包括在不論語境分類問題的背景下數(shù)量有限的一般類別，而其他分類

3、系統(tǒng)開發(fā)了一個(gè)特定的課程，如一個(gè)對(duì)由美術(shù)教師提出的問題進(jìn)行分類的系統(tǒng)。布魯斯分類是最突出的問題分類系統(tǒng)的代表，它是由本杰明.布魯斯提出，在他的努力，把思想行為分類成三個(gè)領(lǐng)域：認(rèn)知（精神技能），情感（情感或情感領(lǐng)域的增長）和運(yùn)動(dòng)（手動(dòng)或物理技能）。認(rèn)知領(lǐng)域因其在中學(xué)和中學(xué)后教育的適用性受到重視。在認(rèn)知領(lǐng)域，布魯斯確定了六個(gè)不同的學(xué)習(xí)層次， 并且根據(jù)層次結(jié)構(gòu)進(jìn)行了組織。認(rèn)知方面的六大類如下：知識(shí)：注重記憶，識(shí)別信息；理解：專注于組織思想、信息的解釋和翻譯；應(yīng)用：重點(diǎn)利用細(xì)節(jié)和原則解決問題；分析：專注于尋找潛在的組織和一個(gè)整體的劃分；合成：專注于一個(gè)想法組合，以形成新的東西，創(chuàng)造一些獨(dú)特的無論是口頭

4、上或身體上；評(píng)價(jià)：專注于對(duì)問題作出判斷，解決差距或分歧。在教學(xué)實(shí)踐中，問題的有效使用依賴于教師的能力，由老師決定他提問問題的布魯斯認(rèn)知水平（BCL）。不幸的是，對(duì)教師提問的研究已經(jīng)表明，這種技能通常是不太有效的。在這些研究中，它已經(jīng)表明，教師在各級(jí)教育往往問需要記憶的問題，很少問需要反思的問題。這可以歸因于缺乏提問的分類。因此，為了提高教師的提問能力，基于BCL來分析他們提出的問題是至關(guān)重要的。這樣的分析結(jié)果，可以用于教師專業(yè)發(fā)展和評(píng)估教師的水平，也可以幫助師生互動(dòng)。為了更好的教學(xué)和學(xué)習(xí)，分析教師的提問至關(guān)重要，本文提出了一種嘗試，利用多種機(jī)器學(xué)習(xí)技術(shù)，將這個(gè)過程自動(dòng)化。考慮到教育機(jī)構(gòu)的電子學(xué)

5、習(xí)系統(tǒng)的迅速普及，這個(gè)過程的自動(dòng)化是很有吸引力的。從這些系統(tǒng)中產(chǎn)生的大量的數(shù)據(jù)，使得手動(dòng)管理它非常困難，因此，機(jī)器學(xué)習(xí)的技術(shù)是來操縱它們是非常有前途的手段。本文的其余部分組織如下。第2節(jié)評(píng)論有關(guān)的作品。3節(jié)是利用ML自動(dòng)分類問題概述。第4節(jié)介紹了所獲得的結(jié)果，第5節(jié)進(jìn)行討論。第6節(jié)是為結(jié)論。2相關(guān)作品在教育的文獻(xiàn)中，教師課堂提問的研究受到了很大的關(guān)注，因?yàn)樗鼈兲峁┝艘粋€(gè)信息來源，可以用來研究教學(xué)的各個(gè)方面。因此，文學(xué)作品的研究主要集中于對(duì)教師提出的問題的用途分析。例如，分析教師的問題已被用來研究教師的提問方式，是用來培養(yǎng)學(xué)生的技能和批判性思維，而不是在學(xué)習(xí)和回憶。也已被用來研究教師的問題對(duì)學(xué)生

6、行為的影響。從計(jì)算的角度來看，將問題自動(dòng)按照BCL分類可以定義為按照問題的內(nèi)容自動(dòng)匹配到某一個(gè)確定的布魯斯認(rèn)知水平。顯然，這項(xiàng)任務(wù)可以被看作是文本分類的一種特殊形式。也就是說，與典型的文本分類問題相比，它具有特定領(lǐng)域的特點(diǎn)。更具體地說，在一個(gè)典型的文本分類問題中，每一個(gè)文檔都包含幾百個(gè)單詞，然而，在問題分類中，每一個(gè)問題通常包含不到50個(gè)單詞，從而引起了一個(gè)不足。問題的缺乏，預(yù)計(jì)將影響機(jī)器學(xué)習(xí)技術(shù)性能。在文獻(xiàn)中，很少有作品被報(bào)道。在人工神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)，分類問題轉(zhuǎn)化為三個(gè)難度級(jí)別，簡單，中等，和困難。此外，查詢文本的相關(guān)性的五維特征向量，平均詞頻，問題和答案的長度，詞頻分布，文本中

7、的問題和答案的分布作為輸入到BP神經(jīng)網(wǎng)絡(luò)。結(jié)果計(jì)算得到F1值是近78%。在決策樹中，根據(jù)決策樹的困難，構(gòu)建了一個(gè)自動(dòng)分類的電子學(xué)習(xí)考試庫。因此，電子學(xué)習(xí)系統(tǒng)可以是根據(jù)個(gè)人背景適合于每個(gè)學(xué)習(xí)者選擇問題。設(shè)計(jì)了一種針對(duì)特定關(guān)鍵詞問題的自動(dòng)分類器設(shè)計(jì)。問題分類是一個(gè)有趣的工作。在這項(xiàng)工作中，一個(gè)適應(yīng)性強(qiáng)的學(xué)習(xí)輔助工具，用于管理問題銀行的問題，到預(yù)定義的類進(jìn)行分類，并正確檢索的問題，通過指定的類和/或難度級(jí)別。這些作品的一個(gè)共同的方面是，他們根據(jù)難度分級(jí)的問題。3.方法論一般而言，目前的文本分類的趨勢主要是密集的使用機(jī)器學(xué)習(xí)技術(shù)。理想的用機(jī)器學(xué)習(xí)技術(shù)設(shè)計(jì)文本分類系統(tǒng)需要四個(gè)主要步驟：文本表示，特征選擇

8、，分類建設(shè)和分類測試。在文本表示步驟中，使用文本表示方法將文本映射到適于后續(xù)步驟的緊湊表示中。在特征選擇步驟中，原始集的特征子集由特征的選擇方法選擇。在分類器的構(gòu)造步驟中，機(jī)器學(xué)習(xí)分類器通過對(duì)人工分類下的一組文本的特征觀察自動(dòng)創(chuàng)建。在分類器的測試步驟，通過搜集到一個(gè)新的未知的文字來測試分類器的性能。因?yàn)閱栴}分類是文本分類的一個(gè)實(shí)例，這些步驟也適用 。下面的小節(jié)描述使用ML解決問題分類問題轉(zhuǎn)化為線性的四個(gè)步驟。3.1.問題描述基本上，問題文本不能直接用機(jī)器學(xué)習(xí)技術(shù)解釋，因此，利用轉(zhuǎn)換程序映射一個(gè)問題Qi文本到緊湊的表示，其內(nèi)容需要統(tǒng)一適用。代表一個(gè)問題Qi的常見的方法是作一個(gè)特征權(quán)重矢量，這不是

9、一組特征（有時(shí)稱為特征）出現(xiàn)在至少一個(gè)問題至少發(fā)生一次，0wj 3是。他們還表明，對(duì)于ACC ，NB獲得最佳的性能時(shí)，用于問題表示特征的TF2。此外，NB的結(jié)果與KNN的結(jié)果比較，無論所選擇的特征的數(shù)目如何，這兩種方法顯示了相差不多的性能。4.5.支持向量機(jī)支持向量機(jī)是Vapnik等提出的一種新的學(xué)習(xí)方法，它是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力（即無錯(cuò)誤地識(shí)別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的推廣能力。支持向量機(jī)的最大特點(diǎn)是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，以最大化分類間隔構(gòu)造最優(yōu)分類超平面來提高學(xué)習(xí)

10、機(jī)的泛化能力，較好地解決了高維數(shù)、非線性、局部極小點(diǎn)等問題，在訓(xùn)練樣本數(shù)目相對(duì)較少的情況下也能取得很好的分類效果對(duì)于分類問題，支持向量機(jī)算法根據(jù)區(qū)域中的樣本計(jì)算該區(qū)域的決策曲面，由此確定該區(qū)域中未知樣本的類別。所得到的結(jié)果示于表5。表5：支持向量機(jī)的性能結(jié)果表明，對(duì)于ACC和F1特征，當(dāng)TF2時(shí)，SVM的性能最好。另一個(gè)結(jié)論是，支持向量機(jī)對(duì)于NB和KNN的F1的平均性能最好。5.討論對(duì)于三種機(jī)器學(xué)習(xí)技術(shù)之間的比較，在前一節(jié)介紹的所有得到的宏觀平均F1值，是在以下標(biāo)準(zhǔn)的基礎(chǔ)上使用的：機(jī)器學(xué)習(xí)技術(shù)的整體性能獲得最佳性能，不論選擇的條款的數(shù)量機(jī)器學(xué)習(xí)技術(shù)對(duì)于特征的數(shù)量的靈敏度關(guān)于第一個(gè)標(biāo)準(zhǔn)，它可以從

11、圖1觀察，10例中有5例SVM的性能優(yōu)于KNN和Nb，10例中有3例KNN優(yōu)于NB和 SVM，而10例中有2例Nb優(yōu)于KNN和SVM。圖1機(jī)器學(xué)習(xí)技術(shù)Fi宏平均作為第二準(zhǔn)則，可以看到從表3，4，和5，SVM的性能最好的當(dāng)特征的TF2時(shí)是0.711，KNN算法的性能最好的是當(dāng)特征的TF5時(shí)0.684，而NB的最佳性能TF3時(shí)0.671，。從上面的討論，我們可以得出一個(gè)明確的結(jié)論，SVM優(yōu)于KNN和NB，然而，KNN、NB性能相當(dāng)。相對(duì)于ML技術(shù)用于問題表示數(shù)的敏感性，它可以從實(shí)驗(yàn)中特征的數(shù)量變化，通過宏觀平均值和微觀平均值得到。換句話說，靈敏度可以被定義和測量，如表6所示。表6：機(jī)器學(xué)習(xí)技術(shù)對(duì)數(shù)量的敏感度從表6中知，支持向量機(jī)相比于NB和KNN是比較敏感的，這一變化是用在問題的數(shù)量上的表示，而KNN敏感性低值。6.結(jié)論本文研究了三種機(jī)器學(xué)習(xí)技術(shù)的自動(dòng)分析教師問題的方法的性能通過區(qū)分不同的各自特點(diǎn)。收